无法预测机器人偏移量的模型

如何解决无法预测机器人偏移量的模型

我目前正在尝试通过使用Pytorch上的神经网络来预测串行机器人的偏移量。方法如下：

随机采样一个joint_angles的向量。
使用神经网络来预测相应的偏移量。
计算FK（joint_angles + offsets）以获得与估计的关节状态相对应的估计的effector_position。
使用关节角度移动机器人并测量real_effector_position，其中包含有关真实偏移的信息
计算MSE（real_effector_position，estimated_effector_position），然后计算反向传播错误。网络应输出偏移量，以最大程度地减少训练中的误差。

我正式尝试解决以下优化问题： arg min（offsets）|| FK（joint_angles + offsets）-real_effector_position ||

我正在使用pytroch来实现此目的，但网络无法学习，并且损失保持不变。这是我的代码

robot = BraccioRobot()
loss = 0
model = OffsetMLP(3,64)
opti = optim.Adam(net.parameters(),lr=3e-4)
for i in range(10000): 
    desired_joints_state = torch.FloatTensor(np.random.randint(0,180,(10,3))) # Get joint_angles
    offset = model(desired_joints_state/180)  * 15                            # Predict offset
    angles = desired_joints_state + offset                                    # Effective angles
    x,y = robot.forward_kinematic(((angles-90)*np.pi)/180)                    # Compute FK with offsets
    x_t,y_t = robot.offset_forward_kinematic(((desired_joints_state-90)*np.pi)/180) # Real joints_states
    loss = F.mse_loss(x,x_t) + F.mse_loss(y,y_t)                              # Compute loss
    print(loss)
    opti.zero_grad()
    loss.backward()
    opti.step()

机器人课程：

class BraccioRobot():
    def __init__(self,) :
        self.proportions = np.array([0.17,0.29,0.285,0.25])
        self.joints_offsets = np.array([10,9,8]) * (np.pi/180.0)
    
    def forward_kinematic(self,joint_states):
        # Compute standard FK
        parent_angle = 0
        x = torch.zeros(joint_states.shape[0])
        y = torch.zeros(joint_states.shape[0])
        for i in range(joint_states.shape[1]):
            x += self.proportions[i+1] * torch.sin(joint_states[:,i] + parent_angle)
            y += self.proportions[i+1] * torch.cos(joint_states[:,i] + parent_angle)
            parent_angle += joint_states[:,i]
        y += self.proportions[0]
        return x,y # effector position 

    def offset_forward_kinematic(self,joint_states):
        # Compute FK with added offsets
        parent_angle = 0
        x = torch.zeros(joint_states.shape[0])
        y = torch.zeros(joint_states.shape[0])
        for i in range(joint_states.shape[1]):
            x += self.proportions[i+1] * torch.sin(joint_states[:,i] + parent_angle + self.joints_offsets[i])
            y += self.proportions[i+1] * torch.cos(joint_states[:,i] + parent_angle + self.joints_offsets[i])
            parent_angle += joint_states[:,y # effector position

和模型：

class OffsetMLP(nn.Module):

    def __init__(self,n_joints,n_hidden):
        super(OffsetMLP,self).__init__()
        self.fc1 = nn.Linear(n_joints,n_hidden)
        self.fc2 = nn.Linear(n_hidden,n_joints)
        self.outputAct = nn.Tanh()

    def forward(self,desired_joints_state):
        offset = self.fc1(desired_joints_state)
        offset = F.relu(offset)
        offset = self.fc2(offset)
        offset = self.outputAct(offset)
        return offset

offset_forward_kinematic函数用于模拟真实的机器人运动。它只是添加了网络必须学习的偏移量。在这种情况下，它是3个简单常数。我猜该错误是在forward_kinematic函数中的某个地方，渐变可能未按预期传播，但我似乎找不到解决方法。预先感谢您进行任何修复。